本指南涵盖了人工智能在金融服务行业的主要应用。
部分内容译自Scale团队近期的报告。
2023 年 9 月 23 日
内容摘要
一、引言
二. 金融人工智能：为什么重要？
三. 金融人工智能：应用领域
四. 人工智能如何在金融领域落地
五. 结论
引言
金融领域的人工智能正在迅速改变银行和其他金融机构进行投资研究、与客户互动和管理欺诈的方式。虽然传统银行机构也有兴趣采用新技术，但金融科技公司正在更快地采用这项技术，因为它们试图赶上更大的机构。根据 Scale 的《2023 年人工智能态势报告》，为了保持领先地位，大型金融机构正在大力投资，其中 77% 的金融机构计划在未来三年内增加人工智能技术方面的预算。
金融服务机构正在寻求人工智能来帮助他们改善客户体验、增加收入并提高运营效率。许多银行发现，实施人工智能需要金融投资和机器学习专业知识和工具来微调专有数据的模型，以最大化其投资并实现其目标。在本指南中，我们将确定在金融领域应用人工智能的几个机会以及如何开启人工智能技术的应用，以便您在竞争中保持领先地位。
金融人工智能：为什么重要？
金融机构可以从实施人工智能来提高收入和降低成本中获益匪浅。埃森哲估计，到 2035 年，金融服务公司将为全球银行增加超过 1 万亿美元的价值。麦肯锡还估计，人工智能每年可为全球银行业带来高达 1 万亿美元的价值。这种重大影响是由于金融交易的复杂性、大量的专有数据和第三方数据、欺诈活动的增加以及金融机构服务的大量客户造成的。
人工智能为金融行业带来了许多好处：
改善客户体验： 89%的金融服务公司将使用人工智能来改善客户体验。人工智能有潜力让企业以实惠的价格提供一系列个性化的金融服务，从而彻底改变金融业。这些公司还将能够更轻松地了解更多有关金融行业及其产品的信息，并减少购买新产品的用户磨合周期。金融机构可以利用其大量数据提供个性化投资策略、快速检测欺诈活动并有效评估欺诈索赔。
提高运营效率：人工智能加速了许多活动的自动化，例如身份验证、信用评分、贷款审批和投资组合优化。人工智能极大地减少了人工工作量，同时提高了准确性，使金融机构能够通过更优惠的价格将节省的成本传递给客户，从而使他们更具竞争力。
提高盈利能力和收入：
改进欺诈检测：消费者报告称2022 年因欺诈损失超过80 亿美元，整个银行业的实际总成本要高得多。欺诈会影响银行的利润并导致消费者价格上涨以抵消直接和间接成本。人工智能有望通过检测趋势和分析大量数据来显着提高欺诈检测和预防能力，超越传统的欺诈预防解决方案。
我们现在将探讨人工智能在金融领域的一些顶级用例。
金融领域的人工智能：应用例子
人工智能在金融领域有许多应用，未来几年可能会出现更多应用。在本指南中，我们将重点关注《2023 年人工智能态势报告》中确定的以数据为中心的关键领域：
1. 投资研究
2. 欺诈检测和反洗钱
3. 面向客户的流程自动化
4. 个性化助理/聊天机器人
5. 个性化投资组合分析
6. 曝光建模
7. 投资组合估值
8. 风险建模
投资研究
人工智能已经改变了金融分析师和财富管理者的游戏规则，彻底改变了信息收集和分析的规模。从结构化和非结构化数据源中自动识别、提取和分析相关信息可以增加分析师和管理人员可以纳入其流程的数据的数量和相关性，从而使流程更加高效和有效。
Enterprise Copilot等尖端人工智能工具可帮助分析师和财富经理总结大量数据，使他们成为更有效、更准确的顾问。利用可访问专有内容的经过微调的大型语言模型，金融顾问们能够快速总结研究和其他数据源，创建客户组合的图表和可视化，并通过源引文寻求对海量知识库的见解，使他们能够调查源内容必要时进一步。来源内容包括财务报表、历史数据、新闻、社交媒体和研究报告。有了人工智能副手，每位财富经理的工作效率和准确性都会提高很多倍，从而使他们对金融服务公司的价值成倍增加。
《2023 年人工智能态势报告》称，金融服务公司使用人工智能来总结内容、检测趋势并对主题进行分类，以改进投资决策。我们发现，在利用人工智能进行投资研究的金融公司中，75%的公司将其用于内容摘要，62%的公司将其用于趋势检测，其中涉及使用人工智能来识别数据中的模式：
金融服务公司使用财务报表、历史市场数据、第三方数据库、社交媒体内容、新闻和地理空间/卫星图像中的数据来改进其模型。使用人工智能来分析这些不同的数据源会不断产生更好的结果，帮助这些公司获得优势。
尽管许多投资公司依赖完全或部分自动化的投资策略，但通过让人类参与其中并将人工智能见解与人类分析师的推理能力相结合，仍然可以获得最佳结果。
欺诈检测和反洗钱
人工智能正在向金融行业证明其在检测和预防欺诈及其他可疑活动方面的价值。 2022 年，全球人工智能金融欺诈检测和预防平台节省的总成本为27 亿美元，预计 2027 年节省的总成本将超过 104 亿美元。
由于欺诈率不断上升，基于人工智能的欺诈检测尤为重要。预计到 2023 年，全球电子商务欺诈造成的损失将超过 480 亿美元，而上一年仅略高于 410 亿美元。此外，欺诈者变得越来越复杂，很难使用传统的、基于规则的方法来识别，这使得金融机构满足反洗钱合规要求面临挑战。
金融机构可以使用机器学习算法来识别欺诈交易，以发现大型数据集中的异常情况。单笔交易具有大量关联数据点，例如位置、时间、商家身份和过去的消费行为，这些数据的复杂性对手动或基于规则的分析提出了巨大的挑战。
面向客户的流程自动化
使用人工智能的自动化对于金融服务行业来说至关重要，可以满足客户对更好的个性化和增强功能的需求，同时降低成本。通过自动化重复的手动任务（例如文档数字化、数据输入和身份验证），金融机构可以扩展其产品以保持竞争优势。光学字符识别 (OCR) 可实现支票、收据和发票的即时数字化，而人工智能驱动的面部识别可以轻松确定客户的身份证件与自拍照是否匹配，同时确认身份证件的合法性。
除了聊天机器人和虚拟助理之外，基于 ML 的 NLP 也是一种强大的工具，可用于从文档中提取相关信息并生成报告和个性化财务建议。自动化日常任务减少了人类需要完成的繁琐任务的数量（以及相关的运营成本），并最大限度地减少了人为错误。从数据生成自动报告的能力对于客户和监管机构都很有价值，以可扩展的方式增强个性化和合规性。随着 RPA 越来越多地处理更平凡的任务，熟练的员工可以专注于更有价值的任务，从而提高工作满意度。
个性化助理和聊天机器人
随着金融服务公司和产品的激增，提供良好的客户服务对于维持客户参与度和满意度至关重要。然而，对即时和全天候客服的期望使得仅仅依赖人工客服人员变得不切实际且成本高昂。幸运的是，对话式人工智能领域最近取得的突破（例如 ChatGPT 所展示的突破）使得聊天机器人能够更接近人类的反应。这些聊天机器人由生成式大型语言模型提供支持，擅长理解意图，并可以在需要时将客户重定向到客户代表。
虽然像 OpenAI 的 GPT-4 和Anthropic 的Claude 这样的大型语言模型开箱即用效果很好，但许多金融机构发现他们需要定制模型才能提供最佳响应并与其政策保持一致。基于专有数据微调模型、快速工程和检索等技术有助于将基本模型从可接受的响应提升为卓越的客户体验。许多金融机构利用其海量数据提供人工智能支持的个性化服务和指导。机构可以为客户提供类似助理的功能，包括对支出进行分类、建议储蓄目标和策略以及提供有关即将进行的转账的通知。人工智能可以根据个人客户资料和偏好提供个性化的财务建议和指导，并协助用户制定预算、财务规划和投资决策。
金融机构还利用人工智能驱动的副手（例如 Scale 的Enterprise Copilot）在内部协助财富管理机构。这些人工智能副手使财富管理机构能够从内部和外部文档中提取见解，从而根据大量数据快速有效地做出明智的决策。通过将人工智能副手纳入工作流程，财富管理机构可以显着提高工作效率并提供更有价值的见解。这些人工智能副手使用经过微调的基本模型，比面向客户的聊天机器人可以更好地访问专有数据，因为人工智能副手是为授权员工准备的。这意味着人工智能副手的力量更加强大，可以提高财富管理机构的生产力，同时随着投资者更快地获得个性化建议而提高客户满意度。
个性化投资组合分析
随着通货膨胀率飙升，机器人顾问越来越受欢迎，为被动投资提供了一种简单易行的选择。这些自动化财富管理平台使用人工智能根据每个客户的可支配收入、风险承受能力和财务目标定制投资组合。投资者所需要做的就是完成初步调查以提供此信息并每月存入资金 - 机器人顾问挑选和购买资产并根据需要重新平衡投资组合以帮助客户实现其目标。
随着机器学习模型的能力越来越强，机器人顾问可以分析更多数据并提供更个性化的投资计划。这些模型可以分析单个投资组合，并提供有关资产配置、风险分散和绩效评估的见解。他们甚至可以根据客户的目标、风险承受能力和市场状况提出调整建议，以优化投资组合绩效。此外，机器人顾问可以适应不断变化的市场动态并提供实时投资组合分析。
许多机器人咨询平台还支持社会责任投资（SRI），事实证明这对年轻投资者很有吸引力。这些系统可以根据个人偏好分配投资，包括或排除符合客户规定价值的某些资产类别。例如，机器人顾问可以自动为希望支持符合环境、社会和治理（ESG）标准的公司或排除那些销售有害或成瘾物质的公司的投资者策划个性化投资组合。
机器人顾问吸引了那些对投资感兴趣但缺乏独立做出投资决策的技术知识的人。它们比人力资产管理公司便宜得多，是资本基础较小的首次投资者的热门选择。
曝光建模
风险模型估计金融机构或投资组合在不同市场条件下可能经历的潜在损失或影响。它旨在量化投资组合的潜在脆弱性和对各种风险因素的敏感性。风险建模涉及分析投资组合的持有量与不同市场变量之间的关系，以评估这些变量的变化如何影响投资组合的价值或业绩。
金融机构越来越多地使用人工智能进行金融风险建模，以评估和管理金融机构面临的各种类型的风险。风险建模涉及估计公司在不同市场条件下可能遭受的潜在损失，例如利率变化、信用违约或市场波动。由于人工智能可以对市场波动、信用违约和经济事件等风险的潜在财务风险进行建模和评估，并分析历史数据、市场趋势和外部因素以估计潜在的损失或收益，因此它是帮助企业减少风险的宝贵工具。金融机构就风险管理和对冲策略做出明智的决策。使用股票衍生品和利率掉期等工具优化策略可以让机构优化投资组合并为客户提供更好的价格。
机器学习可以通过多种方式融入曝光建模中。通过分析大量历史金融数据来识别人类可能难以检测的模式和相关性，模型可以学习并识别与特定市场条件或事件相关的潜在风险。这些模型还可以模拟各种风险情景并生成概率结果，使金融机构能够评估不同市场冲击对其投资组合的潜在影响。它可能有助于发现传统模型可能忽视的隐藏风险。
通过利用金融模型，机构可以做出更快、更明智的决策，以应对不断变化的市场状况。为了提取相关见解，他们可以使用模型来分析非结构化数据源，例如新闻文章、社交媒体源和研究报告。通过理解和处理文本信息，这些模型可以识别新出现的风险、情绪趋势或可能影响风险敞口水平的市场波动事件。
投资组合估值
评估投资组合对于评估其绩效、做出投资决策以及向利益相关者报告准确的财务信息至关重要。然而，手动估值可能具有挑战性，因为影响投资组合价值的因素有多种，包括市场数据、定价模型、时间范围以及股票、债券、共同基金、衍生品和其他证券等多种投资类型的分配。
许多金融机构正在将人工智能纳入其投资组合估值流程中，以应对这些挑战。金融机构可以通过自动化、准确的人工智能驱动的资产评估来提高准确性、效率和决策。这些模型可以立即考虑历史市场数据、当前市场行为、定价模型、专有研究和绩效指标等因素。
通过利用大量金融数据，包括历史市场数据、公司财务、经济指标和重大新闻，模型可以帮助公司识别影响投资组合估值的模式、相关性和趋势。金融机构还可以将卫星图像、社交媒体和消费者行为数据等替代数据源整合到投资组合估值模型中，以丰富分析过程。
风险建模
准确的风险建模对于金融机构至关重要。这些机构必须采用风险模型，通过分析风险暴露、概率和潜在影响来评估和量化总体风险。风险建模旨在捕获和衡量机构面临的各种类型的风险，并提供与这些风险相关的潜在下行或波动性的全面视图。
由于风险建模的复杂性，这是人工智能可以产生重大影响的领域。人工智能使金融机构能够基于大量数据开发更强大的风险模型，识别人类难以复制的复杂模式。机器学习模型可以产生更准确的预测，使金融服务公司能够更有效地管理风险。
风险建模的一个重要子集是信用评分。事实证明，由机器学习驱动的信用评分对于金融行业来说具有无价的价值，可以实现快速、准确的评估，并减少偏差。关键是使用人工智能根据租金支付历史、工作职能和财务行为等替代数据来评估潜在借款人。这不仅可以通过考虑重要指标来进行更准确的风险分析，而且还可以对没有信用记录的潜在借款人进行评估。
基于人工智能的信用评分还有其他明显的优势，例如减少人工工作量并通过快速信用卡和贷款申请处理来提高客户满意度。
人工智能如何在金融领域落地
当公司针对任何用例实施人工智能时，必须制定仔细考虑的策略。金融公司应将其人工智能目标与业务问题联系起来，并制定可靠的数据策略。我们发现组织的目标决定了其人工智能实施的有效性。金融公司必须确保人工智能实施的目标（例如增加收入、提高运营效率或增强客户体验）与公司的优先事项保持一致。
我们建议在整个实施过程中遵循以下步骤：
- 确定您的用例的优先级：您面临的最大挑战是什么，您公司的首要任务是什么？您是否专注于增加收入、改善客户体验或提高运营效率？您是否需要改进投资研究、欺诈检测或投资组合估值？深入挖掘定义您要解决的问题。
2. 定义强大的数据策略：确定用例的优先级后，您可以做的最重要的事情就是定义强大的数据策略。任何人工智能解决方案的好坏取决于可用的数据。虽然现成的基础模型在一般任务上令人印象深刻，但它们在特定的财务任务上表现不佳，并且无法访问专有数据。为了提高这些任务的性能，必须根据您的专有数据对开源或商业基础模型进行微调。您的内部知识库数据，包括研究报告、历史市场数据和客户数据，必须可供模型访问以进行微调和检索。确定您拥有哪些数据、您需要这些数据的格式，以及如何清理和标准化您的现有数据并改进您的数据收集机制。对于知识检索，您需要对文本数据进行分块，将其转换为嵌入，将其存储在向量数据库中，并执行相似性搜索来检索模型的数据以合并到响应中。正确且大规模地执行此操作具有挑战性，这是一个不断发展的领域，因此您需要了解最新的研究以及开源和商业功能。
- 内部能力基础：随着机器学习技术的快速发展，了解您的内部能力至关重要。您是否拥有正确实施人工智能策略的内部机器学习专业知识？您是否拥有数据策略以及在短期内实施该策略的能力和工具？您有合作伙伴来帮助您有效实施您的战略吗？在进行重大投资之前，清楚地了解这一点至关重要。
- 考虑安全性：金融行业的公司经常使用各种机密和专有数据。流行的基于云的模型可能会泄露机密数据并带来其他安全风险，因此确保保护数据至关重要。仅使用符合公司安全策略的工具和应用程序。
- 建立“爬、走、跑”方法：在构建金融人工智能解决方案时，从小处着手，解决特定的挑战或客户需求。然后，快速创新并使用概念验证实施或产品试点测试各种解决方案。根据新用例对公司优先事项的影响来扩展您的解决方案以纳入新用例。
结论
本指南涵盖了人工智能在金融领域最突出的用例和应用。我们涵盖了投资研究、欺诈检测和反洗钱、面向客户的流程自动化、个性化助理/聊天机器人、个性化投资组合分析、曝光建模、投资组合估值和风险建模。
随着人工智能继续塑造金融服务格局，金融公司快速投资人工智能创新至关重要。金融科技公司和传统银行机构正在投资这项技术，它有望为他们带来收入增长、改善客户体验和运营效率方面的优势。在开发人工智能解决方案时，您应该遵循最佳实践，遵循强调确定所需结果的框架，确保您实施了可靠的数据策略，然后试验和实施可扩展的人工智能解决方案。公司应该将金融人工智能的目标与业务问题联系起来，并根据这些目标确定绩效指标。新模式快速发展，金融行业企业需要快速适应新技术。
关于作者
作者从事芯片设计，人工智能技术应用和网络数据挖掘和分析开发。曾在国内外著名公司企业和单位从事技术，管理和市场工作。目前重点是芯片设计，特别是RF芯片IP核的设计。作者主要设计无线通讯和互联网的调制和解调芯片IP核。此外，本人还开发网络爬虫，以及人工智能在芯片设计验证和金融领域的应用。本人曾取得国外名校博士资格，并通英德法等语。详情请参考以下网址：
http://plutus.eu.org/chinese/index_cn.html